python部分引入total值的问题_Python数据分析基础与过程综述,关键数据预处理异常点的发现与处理,python,及,流程,回顾,重点,之,值...
一、 python数据分析基础库的导入
基本是固定搭配
import numpy as np #科学计算基础库,多维数组对象ndarray
import pandas as pd #数据处理库,DataFrame(二维数组)
import matplotlib as mpl #画图基础库
import matplotlib.pyplot as plt #最常用的绘图库
mpl.rcParams["font.family"]="SimHei" #使用支持的黑体中文字体
mpl.rcParams["axes.unicode_minus"]=False # 用来正常显示负号 "-"
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
# % matplotlib inline #jupyter中用于直接嵌入图表,不用plt.show()
import warnings
warnings.filterwarnings("ignore") #用于排除警告
#用于显示使用库的版本
print("numpy_" + np.__version__)
print("pandas_" + pd.__version__)
print("matplotlib_"+ mpl.__version__)
numpy_1.17.4
pandas_0.23.4
matplotlib_2.2.3
二、基础回顾
基本使用简单描述统计1
统计:
sum, mean, std, var,
min, max, argmin, argmax
cumsum, cumprod
排序相关
sort(axis)、
unique( )
随机数生成
from numpy.random import **
numpy.random
简单的随机数据
rand(d0, d1, …, dn),
randn(d0, d1, …, dn)
sigma * np.random.randn(…) + mu
randint(low[, high, size])
random_integers(low[, high, size])
choice(a[, size, replace, p])
排列
shuffle(x) #洗牌
permutation(x) #转置
changes=pd.DataFrame(np.random.normal(loc=0.001,scale=np.sqrt(0.005),size=(100,100)))
#np.random.normal(loc=期望值,scale=标准差,size=(行个数,列个数)),
#生成期望为0.001,方差为0.005(标准差sqrt(0.005))的服从正态分布的100 rows × 100 columns个数,然后放入二维表中
#print(changes.head()) #获取前5行
display(changes.loc[:3,:3]) #切片获取前4行,前4列
#changes.plot() 简单的化一个折线图
returns = changes.cumsum(axis=0) #cumsum(0)表示按照行进行累加
display(returns.loc[97:100,:3])
#returns.plot()简单的化一个折线图
print(returns.loc[99,].mean())#计算最后一行的均值
print(returns.loc[99,].std()) #计算最后一行的标准差
print(returns.loc[99,].var()) #计算最后一行的方差
0
1
2
3
0
-0.073265
0.027694
-0.005274
0.018362
1
-0.162326
-0.027650
0.013609
-0.002829
2
0.027491
0.108222
-0.079539
-0.007628
3
-0.063755
-0.032045
0.076477
0.084774
0
1
2
3
97
-0.621215
-0.131843
-0.440428
-1.508183
98
-0.508074
-0.243702
-0.522049
-1.435103
99
-0.447405
-0.366133
-0.471084
-1.376747
-0.0037164612652884122
0.6395170858647697
0.40898210311296734
基本使用分布函数2
三、数据分析流程
任务描述:
–理解数据类型和数据结构
–载入数据
–清洗数据
–做简单的统计分析
–使用基础的可视化
数据分析的步骤:
–获取数据
–数据预处理
–数据分析
–数据挖掘
–可视化展现
数据预处理(数据分析和挖掘的瓶颈):
–获取数据
–载入数据
–清洗数据:异常
–清洗数据:维度
–清洗数据:粒度
–缺失值;无效值;格式转换;命名变换;类型转换
数据预处理案例
1、 理解和获取数据
# 理解和获取数据
# 头部导入库在最前面一中:此处略
df = pd.read_csv(r"E:\tips.csv",encoding='utf-8') #导入csv格式数据
display(df.sample(5)) #随机抽样5行
#某餐厅顾客消费记录
#解释数据结构:total_bill消费, tip小费,sex服务员性别,smoker是否抽烟,day星期几,time午餐/晚餐,size本桌人数
total_bill
tip
sex
smoker
day
time
size
235
10.07
1.25
Male
No
Sat
Dinner
2
110
14.00
3.00
Male
No
Sat
Dinner
2
48
28.55
2.05
Male
No
Sun
Dinner
3
133
12.26
2.00
Female
No
Thur
Lunch
2
131
20.27
2.83
Female
No
Thur
Lunch
2
2、数据清洗及简单统计
# 对数据做基本统计,检查异常,看看数据质量
print("行列数:",df.shape) #查看总的有n行,m列
print("info统计:",df.info()) #查看数据是否有缺失值,这里无
display("查看重复值:",df[df.duplicated(subset=["total_bill","tip"],keep=False)])#这组数据查看重复值没什么意义,true无重复
#df1 = df.drop_duplicates(subset=["total_bill","tip"],keep='first',inplace=False) #当然这里没必要删除
display("数值列统计:",df.describe()) # 数值列 和 非数值列 的统计结果不一样!默认统计数值列
display("非数值列统计:",df[["sex","smoker","day","time"]].describe()) #统计非数值列
行列数: (244, 7)
RangeIndex: 244 entries, 0 to 243
Data columns (total 7 columns):
total_bill 244 non-null float64
tip 244 non-null float64
sex 244 non-null object
smoker 244 non-null object
day 244 non-null object
time 244 non-null object
size 244 non-null int64
dtypes: float64(2), int64(1), object(4)
memory usage: 13.4+ KB
info统计: None
'查看重复值:'
total_bill
tip
sex
smoker
day
time
size
61
13.81
2.0
Male
Yes
Sat
Dinner
2
163
13.81
2.0
Male
No
Sun
Dinner
2
198
13.00
2.0
Female
Yes
Thur
Lunch
2
202
13.00
2.0
Female
Yes
Thur
Lunch
2
'数值列统计:'
total_bill
tip
size
count
244.000000
244.000000
244.000000
mean
19.785943
2.998279
2.569672
std
8.902412
1.383638
0.951100
min
3.070000
1.000000
1.000000
25%
13.347500
2.000000
2.000000
50%
17.795000
2.900000
2.000000
75%
24.127500
3.562500
3.000000
max
50.810000
10.000000
6.000000
'非数值列统计:'
sex
smoker
day
time
count
244
244
244
244
unique
2
2
4
2
top
Male
No
Sat
Dinner
freq
157
151
87
176
3、位置度量
-算数平均:mean
-中位数:median
-截尾均值:去除部分小/大的离散值之后再算均值
-M估计:估计的初衷是为了解决最小二乘法的不稳健问题,但从它的发展来看永远超越了它最初的目的,实际上它是包括了稳健估计、最小二乘估计在内的一个广义的估计类。
-位置估计的比较:
-自助法估计位置度量的变异性:
#均值和中位数比较
pd.DataFrame({"mean":df.mean(),"median":df.median()})
mean
median
total_bill
19.785943
17.795
tip
2.998279
2.900
size
2.569672
2.000
4、画图检验
简单画一下箱型图,看看离群点的分布,可以根据实际业务对离群点进行处理(这里就不做处理了)
import numpy as np
import matplotlib.pyplot as plt
figure = plt.figure(num="箱型图",figsize=(12,4),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)
total_bill = df["total_bill"]
tip = df["tip"]
axes1= plt.subplot(1,2,1)
plt.title("total_bill箱型图")
plt.xlabel("total_bill")
plt.ylabel("value")
axes1.boxplot(total_bill,sym="o",whis=1.5)
axes2= plt.subplot(1,2,2)
plt.title("tip箱型图")
plt.xlabel("tip")
plt.ylabel("value")
axes2.boxplot(tip,sym="o",whis=1.5)
plt.show()
画图看一下total_bill和tip关系图,根据直方图,发现似乎有两个离群点,但这里样本量不大的情况,暂时就不做处理啦。
import numpy as np
import matplotlib.pyplot as plt
figure = plt.figure(num="total_bill和tip",figsize=(12,4),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)
x = df["tip"]
y = df["total_bill"]
axes1= plt.subplot(1,2,1)
plt.title("total_bill和tip关系图")
plt.xlabel("tip")
plt.ylabel("total_bill")
plt.grid(True, color="g", axis="both", ls="--", lw=0.5) #设置网格线
axes1.plot(x, y, 'bo')
x=df['tip']/df['total_bill']
num_bins = 25 #直方图柱子数量
axes2= plt.subplot(1,2,2)
plt.title("tip/total_bill直方图")
plt.xlabel("tip/total_bill")
plt.ylabel("数量")
plt.grid(True, color="g", axis="both", ls="--", lw=0.5) #设置网格线
n, bins, patches = axes2.hist(x, num_bins)
plt.show()
画图看一下total_bill和size是否存在某种函数关系
import numpy as np
import matplotlib.pyplot as plt
x = df["size"]
y = df["total_bill"]
#按照size分组聚合total_bill 获取均值
g_a = df[["size","total_bill"]].groupby("size").agg(["count","sum","mean"])
x2 = g_a.index
y2 =g_a["total_bill"]["mean"]
fig, ax = plt.subplots()
plt.title("total_bill和size关系图")
plt.xlabel("size")
plt.ylabel("values")
ax.plot(x, y, 'ro',x2, y2, 'b--')
plt.legend(["total_bill","mean(total_bill)"],loc="best", frameon=False, ncol=2)
plt.show()
python部分引入total值的问题_Python数据分析基础与过程综述,关键数据预处理异常点的发现与处理,python,及,流程,回顾,重点,之,值...相关推荐
- python给成绩表加上姓名列_Python数据分析基础练习
Python数据分析基础(余本)第四章练习 需求 班主任现有一班级的两张表,如下: 信息表:成绩表:现请帮班主任做如下工作: 1) 给成绩表加上姓名列: 2) 给成绩表加上字段"总分&quo ...
- 怎么读懂python语句_Python入门基础知识点总结,一点文章就能让你看懂Python
Python标识符 在 Python 里,标识符由字母.数字.下划线组成. 在 Python 中,所有标识符可以包括英文.数字以及下划线(_),但不能以数字开头. Python 中的标识符是区分大小写 ...
- python创建和控制的实体称为_Python语法基础
Python语法基础 数据对象和组织 对现实世界实体和概念的抽象 简单类型(表示):整数-int.浮点数-float.复数-complex.逻辑值-bool.字符串-str 容器类型(组织):列表-l ...
- python 40位的数减个位数_Python数据分析入门教程(五):数据运算
作者 | CDA数据分析师 进行到这一步就可以算是开始正式的烹饪了,在这部分之前的数据操作部分我们列举了一些不同维度的分析指标,这一章我们主要看看这些指标都是怎么计算出来的. 一.算术运算 算术运算就 ...
- python groupby 不保留源index、_Python数据分析 I 全国旅游景点分析案例,哪里好玩一目了然...
前言 文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: 刘亦菲的老公 源自:https://blog.csdn.net/qq ...
- python读取mysql以html形式输出_python从mysql数据库提取出来的数据怎么在html里显示...
2017-04-06 回答 1.和数据库建立连接 2.执行sql语句,接收返回值 3.关闭数据库连接 1.mysql数据库要用mysqldb模块,但python用来链接mysql的第三方库mysqld ...
- python统计数据分析基础教程_Python数据分析基础教程:NumPy学习指南(第2版)
第1章 NumPy快速入门 让我们开始吧.首先,我们将介绍如何在不同的操作系统中安装NumPy和相关软件,并给出使用NumPy的简单示例代码.然后,我们将简单介绍IPython(一种交互式shell工 ...
- python处理多个excel数据_python 数据分析基础 day8-pandas读写多个excel文件
今天是读<python数据分析基础>的第8天,今天的读书笔记的内容为利用pandas读写多个excel文件,当中涉及到读写excel文件的多个工作表. 大致原理如下: glob.glob( ...
- python标题行_添加标题行_Python数据分析实战应用_数据挖掘与分析视频-51CTO学院...
为什么学Python: 重要:数据分析是职业技能必备,Python是大数据分析** 趋势:Python是目前非常火的编程语言,使用人多 好学:学习简单,容易上手,使用灵活,可扩展强 **:会Pytho ...
最新文章
- 一文览尽基于激光雷达点云(lidar)的目标检测方法
- as死机了怎么办_Acer AS574/G开机死机故障排除手记
- 如何做好技术 Team Leader
- 1小时学会建站(二):购买及绑定域名
- 对于窗口大小为n个滑动窗口,最多可以有( )帧已发送但没有确认。
- STL 之find,find_if,find_end,find_first_of
- 记一次应急响应到溯源入侵者
- MUI框架:栅格系统 + grid宫格布局 - 案例篇
- 2-14 三级菜单
- jdbc至sql server的两种常见方法
- 操作系统中的用户空间和内核空间
- php编写九九乘法表
- 给 layui upload 带每个文件的进度条, .net 后台代码
- Keli Linux与网络安全(2)——初探Keli
- \t\t中国历代皇帝列表,中国皇帝列表,中国历代时间表,中国各朝代列表
- 无法访问共享计算机文件,电脑无法访问共享文件怎么解决?
- 我是屌丝——彪悍的人生不需要代言
- c语言拼图小游戏编程,c语言控制台输出制作拼图小游戏
- ios14测试版兼容软件,iOS14测试版抢先体验教程!你的iPhone可以更新吗?【附iOS14独有彩蛋】...
- 如何翻译Word文档
热门文章
- Python turtle库的画笔控制说明
- Python分析「我们为什么这么穷」
- Python calendar日历模块的常用方法
- CallBack函数 回调函数
- .net中所用到的编码名称和对应的代码页(Encoding.GetEncoding) .
- 【opencv学习】【图像金字塔】
- 强化学习《基于策略 - PPO,TRPO,PPO2》
- 漫步线性代数十八——正交基和格拉姆-施密特正交化(下)
- leetcode —— 31. 下一个排列
- leetcode —— 面试题 04.03. 特定深度节点链表